A Working AI Demo Is Not Yet a Working Factory

一個能辨識瑕疵、預測設備異常、給出排程建議的 AI Demo，要做得很漂亮，其實不難。

資料整理乾淨、場景收斂、準確率跑得高，再配一個乾淨的儀表板，看起來就很有說服力。

但從 Demo 走到工廠現場，才是智慧製造業AI導入真正困難的開始。

工廠不是一段資料、一台設備、一個模型。它是由設備、材料、製程、人員、品質、交期、成本、系統與供應鏈共同組成的運作系統。

AI 能在實驗室判斷一張影像有沒有瑕疵，不代表產線就能跟著調整節奏。AI 能預測設備可能異常，也不代表現場有空檔可以停機，更不代表維修人員、備品和替代產能都到位了。

智慧製造要解決的，從來不是「模型能不能跑」，而是「技術能不能在現場持續被使用，並幫助人做出更好的判斷」。

1. Demo 能跑，不代表工廠能用

Demo 通常都選一個相對乾淨的題目，瑕疵照是分類好的，設備資料是整理過的，排程是在產能和工時都確定的條件下算的。

這是合理的起點，先證明可行性。

但現場很少這麼理想，相機角度會跑掉、光源受環境影響、材料批次不同、設備用久了會偏移，同一個模型，在 A 班和 B 班、在 1 線和 2 線，結果可能完全不同。

模型給的是一個訊號，現場要處理的卻是一連串決策，AI Demo 到工廠落地，必須跨過的六道關卡

2. 生產現場不是實驗室，資料每天都在變

這是導入時最常被低估的一點。

展示用的資料是乾淨的：缺漏值補好了、格式統一了、異常值被排除了。但真實工廠的資料不會自動保持乾淨。

感測器會掉資料，MES 欄位沒填完整，工程變更後的參數沒同步更新，品質判定還會因為人員、客戶標準、產品版本而不同。

更麻煩的是，工廠是動態的。產品改版、材料替換、治具更新、供應商更換，都會讓原本很準的模型慢慢失準，這就是資料漂移。

所以評估模型，不能只問準確率，要問四個維運問題：

• 資料品質由誰負責？
• 製程改版後，模型誰來重新驗證？
• 異常結果如何回寫到系統？
• 誤判時，誰能標記、修正與追蹤？

沒有這些機制，AI 很快就會從亮點，變成現場不再相信的系統。

3. 設備連上網，不等於系統整合好了

讓設備上網是第一步，溫度、壓力、振動、稼動率都很重要。但這只是一段資料。

當品質異常發生，現場需要的是整條脈絡：這批用了哪批料？過了哪些機台？當時製程條件是什麼？有沒有換操作員？有沒有工程變更？

這些答案分散在 MES、ERP、QMS、PLM 和各部門的 Excel 裡。

如果 AI 只能看到設備數據，它只能告訴你「振動變大了」，卻無法判斷它跟材料、治具、產品型號有沒有關係。

整合的難度不在 API 能不能串，而是全公司有沒有共同的語言。同一個料號、工單、製程站點，必須能在所有系統裡被正確追溯，否則資料再多，也只是一堆無法對話的紀錄。

4. AI 給了警示，現場該怎麼做？

一套系統能預警品質風險，很有價值。但警示跳出來，才是問題的開始。

通知要給誰？要先檢查哪一項？要不要停線？停線影響交期，誰有權做取捨？如果現場判斷是誤報，這個回饋會不會留下來，讓系統下次學得更好？

很多專案失敗，不是準確率不夠，而是沒設計好「人如何接住 AI」。

現場不會因為紅燈亮了就改變工作方式。尤其是警示只有一個分數，沒有原因、沒有優先順序、沒有處置建議，久了只會被當成干擾。

有用的設計，是讓 AI 的結果直接支援既有工作。風險升高時，能直接看到相關批次、設備狀態、材料來源和相似案例。預警異常時，能看到可能影響的零件和可安排的保養時段。

AI 不需要代替現場做決定，它的價值是縮短找資料和判讀問題的時間。

5. 成本不是最後才算，導入前就要算

很多專案初期只算建置、感測器、授權和開發費用。但真正的成本在後面。

舊機台要加感測器，可能要停機改造。相機、光源、邊緣運算設備要維護，資料儲存和資安要長期投入。

更重要的是人力。資料要有人確認，異常要有人標記，模型要有人維護，流程改了要教育訓練。如果這些沒被放進日常職責，專案團隊一撤，系統就沒人顧了。

所以評估製造業AI導入，不該只問「能省多少人力」，而要問「能否降低不良、減少停機、縮短分析時間、提升交期穩定度」。

能被長期用下去的工具，比最炫的模型更有價值。

6. 從一個痛點開始，比全廠改造更務實

智慧製造很容易被描繪成全廠改造：所有設備連網、所有系統整合、所有流程 AI 化。

願景是對的，但一開始就想做全部，專案一定被範圍拖垮。

更務實的做法，是從一個具體、可驗證的痛點開始。一項反覆發生的品質異常、一台常造成停線的關鍵設備、一段變異很大的製程。

題目要夠痛，才值得投入；要夠清楚，才能衡量改善。

先確認資料拿不拿得到、現場願不願意配合、模型輸出後誰能行動。小範圍驗證，再逐步調整。

當第一個場景真的縮短了分析時間、降低了不良，團隊才有經驗可以複製。示範的目的，不只是成功案例，而是建立一套方法：如何選題、如何盤點資料、如何把現場納入設計、如何維護模型。

技術與現場要一起成熟

AI 不會自動讓工廠變智慧。智慧製造是技術、製程理解、資料治理、系統整合與現場協作一起成熟的結果。少了任何一段，都會停在漂亮的展示畫面裡。

模型準確不代表能導入，系統上線不代表有人會用。

智慧製造的價值，不在於讓工廠看起來更科技，而在於面對品質、交期、成本與風險時，能不能更早看見問題、更快理解原因，並做出更穩定的決策。

更多文章
AI 生成的 PRD，為什麼最後都長一樣？
AI 會寫 PRD但不會為結果負責
PRD 是什麼？產品需求文件怎麼寫？從需求到工程執行一次搞懂
如何定義產品的核心價值？
為什麼PM 不只是寫需求，是在降低產品的不確定性
為什麼很多產品不是失敗，而是沒有找到真正的市場問題
技術很好，為什麼還是做不成產品？
管理者用 AI 的 3 個關鍵…把決策變成可驗證的流程（不只是靈感）